في عالم الذكاء الاصطناعي، يمثل التعلم المستمر واحداً من أكبر التحديات التي تواجه الباحثين والمطورين. في هذا الإطار، يأتي نموذج جديد يحمل اسم CIRCLE، الذي يعد بحلول مبتكرة للتعلم المستمر دون الحاجة إلى البيانات المسبقة أو إعادة تدريب الشبكات. يعتمد CIRCLE على استخدام ميزات تخزينية ثابتة (fixed reservoir features) تستمد قوتها من أسلوب التعلم السلس، مما يجعله فعالاً وذو أداء متميز في المهام المتعددة.

تقوم تقنيات التعلم التقليدية بإنشاء شبكة إجرائية تحتاج إلى تحديثات متكررة لمواجهة الانزلاق الدلالي (semantic drift)، وهو ما يؤدي إلى زيادة الضغط الحاسوبي. في المقابل، يوفر CIRCLE حلاً بديلاً من خلال إنشاء مصنف فئة متزايدة يعتمد على ميزات تخزينية ثنائية الاتجاه، مما يمكّنه من العمل بكفاءة أعلى مع احتياج أقل للبيانات.

الميزة الأبرز في CIRCLE هي إعادة تجميع الميزات بشكل عشوائي لدعم النماذج، حيث يتم استخدام مجموعة من الميزات لتقليل التحيز وزيادة الدقة. قام الباحثون باختبار هذا النموذج على مجموعة بيانات متنوعة مثل CIFAR-100 وTinyImageNet، ووجدوا أنه يتفوق على الطرق التقليدية في نتائج الأداء، خاصة مع زيادة تعقيد المهام.

إن القدرة على العمل بكفاءة دون الحاجة إلى إعادة تدريب أو معالجة البيانات الكبيرة، يجعل CIRCLE نموذجًا مبتكرًا يتوقع له أن يحدث ثورة في طرق التعلم المستمر.